用于癫痫发作类型分类的神经记忆网络

癫痫发作类型的分类是评估癫痫发作个体的临床流程中的关键步骤。它决定了临床诊断与治疗的进程，其影响超越临床领域延伸至癫痫研究及新疗法开发。癫痫发作类型的自动识别可促进对该疾病的理解，而癫痫发作检测与预测一直是近期旨在利用机器学习和深度学习架构优势的研究焦点。然而，目前尚无自动化分类癫痫发作类型的确定性方案，该任务目前必须由专业癫痫学家完成。受神经记忆网络（NMNs）近期进展的启发，我们引入一种利用电生理数据分类癫痫发作类型的新方法。我们首先探索使用卷积与循环神经网络的传统深度学习技术的性能，并通过具有可训练神经可塑性的外部记忆模块增强这些架构。我们表明，在采用IBM TUSZ预处理数据的TUH EEG Seizure Corpus上，我们的模型在癫痫发作类型分类上达到了0.945的最先进加权F1分数。本工作凸显了神经记忆网络支持癫痫研究领域以及更广泛的生物医学研究与信号分析的潜力。